Resumen: El aprendizaje automático causal (AM) ofrece métodos flexibles basados en datos para predecir los resultados de los tratamientos, con un gran potencial para personalizar la toma de decisiones en medicina y gestión. Aquí exploramos los avances recientes en el ML causal y su relevancia para la traslación a la medicina y la toma de decisiones empresariales, a menudo motivados por consideraciones prácticas. (1) Muchos de los métodos de ML causal existentes están dirigidos a entornos más estándar, pero sólo recientemente se han explorado varios entornos especializados en la práctica (p. ej., ML causal para combinaciones de dosis, ML causal para entornos de series temporales). (2) El ML causal a menudo genera sólo estimaciones puntuales, mientras que la toma de decisiones, especialmente en medicina, requiere estimaciones de incertidumbre. (3) El ML causal se basa en suposiciones formales que normalmente no pueden probarse. En este caso, nuevos métodos como el análisis de sensibilidad causal ayudan a mejorar la fiabilidad en entornos reales.
Ponente: Valentyn Melnychuk es estudiante de cuarto año de doctorado en la LMU de Múnich, supervisado por el profesor Stefan Feuerriegel, y codirector del Causal ML Lab del Institute of AI in Management. Anteriormente, fue asistente de investigación en el Instituto Fraunhofer de Circuitos Integrados IIS de Múnich. Su investigación se centra en el aprendizaje automático causal, la inferencia causal y el modelado probabilístico, temas sobre los que ha sido coautor de publicaciones científicas en conferencias y revistas de primer nivel como ICML, AAAI, NeurIPS, ICLR y Nature Medicine. Más información en https://valentyn1997.github.io/ y https://valentyn1997.github.io/cv/
Grabación: ML causal para predecir los resultados del tratamiento